苏晓晓
点击图片查看原图
家电异音检测可以按照下图所示的技术途径来实施。按照机器学习的要求，通过传声器和信号采集系统进行声信号样本采集，需要注意的是采集得到的声信号既包含家电的运转声，也包括生产线的环境噪声。采用现有成熟的多种信号处理方法对所测声信号进行预处理，通过分析比较和尝试，组成最佳的信号特征向量，该向量应该能够最大程度反映家电状态信号，同时抑制环境噪声。 常用的信号特征提取方法一般包括时域、频域和时频域三类，时域的典型特征有短时能量和过零率；频域的特征种类繁多，有各种谱分析方法、线性预测系数以及梅尔频率倒谱系数等；时频特征包含短时傅里叶谱和小波谱，时频特征会带来较大的计算量，但却更能完整全面地描述音频信号。
家电异音检测系统的架构，系统由硬件和软件两部分共同组成了一个不可分割的整体，硬件部分包括测量环境、传感器、采集系统和判别系统，测量环境可以是基本不做改动的原始生产线，也可以是在生产线上设计添加的简易隔声或吸声空间，测量环境的考虑重点是如何减少生产线环境噪声的影响。传感器和采集系统一般要求满足可听声频带的采样要求，对系统的量化精度要求至少采用16位采集系统，能达到24位更好。判别系统一般是采集系统和计算机的结合体，计算机上运行的软件是信号特征提取算法和机器学习模型。 软件部分中的信号测量分析模块主要完成信号的采集和保存，应用信号处理技术，特征提取模块抽取声信号样本特征，构建特征向量和机器学习数据集。机器学习模块实现各种机器学习算法，在特征向量数据集的基础上，完成训练、验证和等环节，最终获得异音判别参数，过程中还包括特征向量和机器学习模型参数的选择与优化。
在线异音检测可以说是人工智能技术在家电生产过程中的一个合适应用场景，但要想与家电生产流程真正无缝结合，真正替代人工声检，还需要解决很多技术和管理上的难题，技术难题包括产线节拍匹配、信号采集、环境噪声消除、训练样本选择、合适学习模型确定等，管理难题包括检测规范与标准的制定以及检测流程的重构等，解决这些难题的方法和思路将在后续详细深入讨论。